三种城市日用水量预测模型对比研究

为实现科学、安全供水,建立精度高、可靠性强的城市日用水量预测模型,分别运用单指数平滑法、灰色预测方法、BP神经网络三种方法,对A市进行城市日用水量预测,并具体分析了各种方法的优缺点及适用范围.通过优化对比分析,当基础数据较完善时,BP神经网络预测模型精度较高,能较好地满足预测要求.     

基于灰色RBF组合模型的城市用水量预测

为解决城市用水量预测中单一方法预测精度不高的问题,建立了灰色径向基（RBF）神经网络组合模型。对比实验结果表明,灰色GM（1,1）模型、RBF神经网络模型和灰色RBF神经网络组合模型的平均相对误差分别为2．1222％,1．2562％和0．6821％。与灰色GM（1,1）模型和RBF神经网络相比,灰色RBF神经网络组合模型充分发挥了灰色系统的贫乏数据建模和RBF神经网络的高度非线性映射能力的双重优势,具有较高的预测精度,更适合用于城市用水量预测。     

供热系统换热站供热参数预测模型对比分析

通过相关性分析确定了集中供热系统换热站供/回水均温的影响因素,进一步依据最小二乘拟合计算得到预测模型中历史供热参数的最佳周期,同时结合室外空气温度和室内温度作为模型输入参数,运用Matlab仿真模拟软件建立广义回归神经网络(GRNN)、Elman递归神经网络(Elman)以及多元线性回归(MLR)预测模型,分别对未来18个时刻的供/回水均温进行仿真验证。分析预测结果发现,MLR预测模型的精度最高,GRNN预测模型精度略低于M LR,而Elman模型预测精度最低。     

人工神经元网络模型在城市用水量预测中的应用研究

本文针对常规城市用水量预测模型在预测中存在的盲目性大、拟合精度不高且预测容易失真的不足,引入BP神经元网络的计算方法,建立了非线性人工神经元网络预测模型:利用人工神经元网络学习理论对非线性离散参数的辨识理论对城市用水量需求预测方法进行了较为深入、系统的研究。该模型考虑了城市中众多因素对用水量需求的影响,使所建立的预测模型初步具备系统决策功能。实例预测表明,本文所建立的BP神经网络预测模型系统及其相应计算方法具有较高的预测精度和准确度,能够为城市的用水量预测提供规划依据。     

改进灰色预测模型在城市用水量预测中的应用

为提高城市用水量的预测精度,分析了GM(1,1)模型和灰色Verhulst模型,同时由于GM(1,1)模型存在一定的缺陷,本文对基本GM(1,1)模型进行了新陈代谢改进,最后通过对实例的预测分析,改进灰色预测模型预测精度更高。     

灰色——神经网络组合模型预测城市用水量

针对城市用水量的预测，建立了以预测方法有效度为优化指标的求解组合预测权重系数的优化模型，并对灰色－神经网络的二元组合预测模型采用简化方法求解。该方法应用于长沙市河西供水系统的用水量短期预测，误差较小，能满足实际需要。     

组合模型在城市用水量预测中的应用

将灰色模型和一元线性回归模型应用于城市用水量的预测,并用方差-协方差优选组合模型将灰色模型和一元线性回归模型进行组合.实例分析表明,组合模型的预测精度优于单个模型,可用于城市用水量的预测.     

基于加权组合预测模型的城市用水量预测

介绍了移动算术平均预测法和BP神经网络理论在城市用水量预测方面的应用,并运用组合权系数优化理论,将移动算术平均预测法模型和BP神经网络预测模型进行加权组合。经吉首市实例验证,表明加权组合预测模型较单一的移动算术平均预测法模型和BP神经网络预测模型更全面,计算结果更精确,拟合效果更好。该模型能为我国中小城市用水量预测提供参考。     

改进灰色BP神经网络模型在建筑物沉降监测中的应用

建筑物的变形是由于多种复杂因素的影响,文章针对该影响以及单一预测模型精度不高的问题,建立了基于灰色模型和BP神经网络模型的组合预测模型。并采用复化梯形求积法对灰色模型的背景值改进,构建基于改进的组合预测模型。结合改进的灰色GM(1,1)BP神经网络组合模型对马鞍山市的某建筑物的沉降进行预测。通过对比可以看出,改进的灰色BP神经网络预测精度最高,其拟合程度更加接于实测值,可更好地适用于实际工程的中长期预测。     

基于灰色神经网络模型的基坑开挖引发周边地面沉降预测分析

在城市地下工程建设中,深基坑开挖引起的周围地表土沉降问题越来越受到人们的重视。地表沉降将引起邻近建、构筑物破坏,从而造成经济损失。因此,预测基坑周围土体未来一段时间的沉降,对及时采取治理措施具有重要意义。文章针对GM(1,1)模型地面沉降预测精度较低的问题,利用神经网络对灰色预测模型进行组合,生成灰色神经网络模型,并进行预测分析,结果表明,利用灰色神经网络模型预测的沉降值,比单独的灰色GM(1,1)模型预测的沉降值具有更高的精度。     

城市燃气季节性负荷预测模型的建立及求解

根据城市燃气管网季节性负荷变化的特点。采用最优组合理论，将灰色GM（1，1）预测模型和人工神经网络模型的优点结合起来。建立了一个基于灰色神经网络的城市燃气管网季节性负荷预测模型，并提出了相应的求解方法，此模型能同时反映燃气负荷随时间的增长趋势和随不确定因素的波动特性。通过实例的计算结果表明：所建模型具有较高的收敛速度和预测精度，较强的适应性和灵活性，为城市燃气季节性用气负荷的预测提供理论分析依据。     

利用BP网络建立预测城市用水量模型

利用神经网络法对城市用水量建立了具有时间序列的预测模型,并提出了基于该模型的数据处理方法,并结合某城市给水系统进行了用水量负荷预测,预测结果和实际情况有很好的一致性。     

城市时用水量预测模型比较

城市时用水量的各种预测模型特点各异,预测精度也各不相同。介绍了5种城市时用水量预测模型的构建原理及各自的优缺点,并以杭州市用水量为例,对5种预测模型的预测结果进行了误差比较分析。     

遗传优化的BP网络预测路基沉降

针对传统的BP神经网络存在收敛速度慢、易陷入局部极小点的缺点,提出了基于遗传优化的BP神经网络预测方法并建立了路基沉降预测模型。将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传统的BP神经网络预测模型对比,结果表明遗传优化的BP神经网络在路基沉降预测中精度最高,适宜广泛采用。     

基于RBF网络的城市供水短期负荷预测

根据城市用水量序列的非线性时序特点,利用径向基函数神经网络(RBF网络)建立城市用水量短期预测模型,并采用某市日用水量和小时用水量的实际数据分别进行了建模和预测,结果显示该方法具有建模简便实用、预测精度良好的优点,可满足实际需要。     

基于有监督机器学习基坑变形预测模型的比较与分析

影响深基坑变形因素繁多,位移预测问题呈高度非线性和模糊性,为探究目前基于有监督机器学习软计算（Soft Computing Method,SCM）法深基坑位移预测模型的精度性能,对基于支持向量机（Support Vector Model,SVM）位移预测模型、基于随机森林（Random Forest,RF）预测模型、基于反向传播（Back Propagation,BP）神经网络预测模型、基于径向基（Radial Basis Function,RBF）神经网络预测模型、基于Elman神经网络预测模型和长短期记忆（Long Short-Term Memory,LSTM）神经网络预测模型进行了实际深基坑工程一至三天位移预测试验。试验验证了基于有监督机器学习软计算法模型预测深基坑位移的可行性,展现了人工神经网络（Artificial Neural Network,ANN）算法的优越性,并得出了Elman预测模型适用于预测一天和两天深基坑位移预测,而BP预测模型适用于预测三天沉降任务的结论。     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。     

火灾事故的灰色马尔柯夫模型预测

灰色马尔可夫模型是将灰色系统理论和马尔可夫链理论相结合建立的预测模型,它不仅充分发挥了灰色预测模型和马尔可夫预测模型的优点,而且有效地解决了灰色预测模型对于随机波动性较大的数列预测精度低的问题.实例计算证明:火灾事故灰色马尔可夫预测模型预测精度高于GM(1,1)模型预测精度,模型可以用于火灾事故预测.     

改进的RBF网络在区域需水预测中的应用

利用径向基函数神经网络,建立了区域用水量预测模型,改进了RBF网络学习方法;根据某地区近年来影响用水量主要影响因素的数据对该网络进行训练,并用训练好的网络模型对该区域以往和今后不同年份的用水量进行预测;对以往用水量预测结果表明该模型有较高预测精度、通用性和客观性.     

开挖降水条件下基坑周围建筑物沉降预测研究

利用Gompertz曲线模型、灰色理论模型和BP神经网络模型等单一预测模型对基坑周围建筑物沉降进行预测,之后将结果与三者优化组合模型的预测结果进行比较分析,结果表明：单一模型预测结果的精度比三者优化组合模型的精度较低,而其中通过最优加权法组合的模型预测精度最高。